Data Sharing Framework für KMU

Benedech, Rodolfo Andres; Vogt, Helen; Meierhofer, Jürg; Kugler, Petra; Strittmatter, Marc; Dobler, Martin; Meyer, Johanna; Treiterer, Manuel

Publication type:	Working paper – expertise – study
Title:	Data Sharing Framework für KMU
Authors:	Benedech, Rodolfo Andres Vogt, Helen Meierhofer, Jürg Kugler, Petra Strittmatter, Marc Dobler, Martin Meyer, Johanna Treiterer, Manuel
et. al:	No
Extent:	40
Issue Date:	Nov-2023
Publisher / Ed. Institution:	ResearchGate
Language:	German
Subject (DDC):	658.403: Decision making, information management
Abstract:	Das Forschungsprojekt Data Sharing Framework untersuchte Data Sharing im Kontext von datenbasierten Services und Produkten in Ökosystemen aus fünf Perspektiven: Kultur, Vertrauen, Wert, Recht & Governance, Sicherheit. Die Forschungsergebnisse bestätigen die Relevanz dieser Perspektiven und es hat sich gezeigt, dass diese Aspekte sowohl Barrieren als auch Treiber für Datennutzung und -austausch zwischen Unternehmen darstellen. Ausgangspunkt waren die folgenden forschungs- und praxisleitenden Annahmen: • These 1: KMU können durch die Nutzung und das Teilen von Daten Mehrwerte in Form neuer Produkte und Services generieren. Aus wissenschaftlicher Sicht liegt der Fokus des Themas Daten und Data Science bisher überwiegend auf der technischen Umsetzung datenintensiver Geschäftsmodelle und Kooperationen durch die Unternehmen. • These 2: Die technische Umsetzung ist eine notwendige Bedingung für die datenbasierte Leistungen, sie reicht jedoch nicht aus, um eine Kooperations- und Teilbereitschaft bei KMU hinsichtlich ihrer Daten (Daten-Teilbereitschaft) auszulösen. Zahlreiche Stakeholder zögern, Daten zu teilen, vor allem in einem grenzüberschreitenden Kontext, wie z.B. in der Programmregion. • These 3: KMU benötigen Data Access und Data Trust Strukturen, um mögliche Kooperationspotenziale tatsächlich zu heben. Dies erfordert u.a. gemeinsame Standards, ein annäherndes Verständnis vom Wert der Daten, Data-Governance in Kombination mit zu definierenden Trust-Standards, welche die erforderliche formelle und informelle Sicherheit bieten. Nachfolgend wird ein Überblick über die hieraus hervorgegangenen Ergebnisse gegeben. Kultur: Die Perspektive der Organisationskultur stellt das Denken und Handeln im Unternehmen und im Ökosystem in den Mittelpunkt. Eine Organisationskultur, welche die Arbeit mit Daten, Data Science Praktiken und vor allem das Teilen von Daten ermöglicht, stellt Daten in den Mittelpunkt des Wertschöpfungsprozesses. Dies erfordert eine generelle Sensibilisierung für das Thema Daten, durchlässige Grenzen im und zwischen Unternehmen, ebenso wie ein neues Verständnis von Rollen, Strukturen und Prozessen im Unternehmen. Vertrauen: Das Vertrauen ist im Ökosystem von großer Bedeutung. Das Einbeziehen von internen Stakeholdern und das Starten mit kleineren Pilotprojekten wird vorgeschlagen, um Vertrauen innerhalb der Organisation und mit externen Partnern zu schaffen. Wert: Als notwendige Voraussetzung wird der Wert der Daten hervorgehoben. Unternehmen sollten den potenziellen Wert der Datenflüsse kennen, bevor sie sich entscheiden, ob sie diese Daten teilen und nutzen möchten. Es wird empfohlen, eine grobe Quantifizierung des Wertflusses vorzunehmen oder gegebenenfalls eine detailliertere Analyse durchzuführen. Recht & Governance: Für die Berücksichtigung rechtlicher Rahmenbedingungen gemeinsamer Datennutzung sollten Organisationen zunächst eine interne Data Governance etablieren, um auf neue regulatorische Entwicklungen reagieren zu können. Die Einrichtung von Data- Asset-Management, Data-IP und -Compliance-Management und Data-Contract-Management wird hier empfohlen. Datensicherheit: Im Sicherheitskontext sind Methoden zur Gewährleistung der Datenintegrität, Privatsphäre und Sicherheit entscheidend. Es wird empfohlen, einen kollaborativen Ansatz zur Implementierung von Sicherheitsstandards zu verfolgen und dabei IKT-Experten einzubeziehen. Anfänglich können Best Practices ausreichen, aber längerfristig sollte eine kontinuierliche Sicherheitsrisikobewertung und Geschäftsprozessintegration angestrebt werden.
URI:	https://www.researchgate.net/publication/376811588_Data_Sharing_Framework_fur_KMU https://digitalcollection.zhaw.ch/handle/11475/29572
License (according to publishing contract):	Licence according to publishing contract
Departement:	School of Engineering School of Management and Law
Organisational Unit:	Institute of Data Analysis and Process Design (IDP) Institute of Marketing Management (IMM)
Published as part of the ZHAW project:	Data Sharing Framework
Appears in collections:	Publikationen School of Engineering

Files in This Item:

There are no files associated with this item.

Show full item record

Benedech, R. A., Vogt, H., Meierhofer, J., Kugler, P., Strittmatter, M., Dobler, M., Meyer, J., & Treiterer, M. (2023). Data Sharing Framework für KMU. ResearchGate. https://www.researchgate.net/publication/376811588_Data_Sharing_Framework_fur_KMU

Benedech, R.A. et al. (2023) Data Sharing Framework für KMU. ResearchGate. Available at: https://www.researchgate.net/publication/376811588_Data_Sharing_Framework_fur_KMU.

R. A. Benedech et al., “Data Sharing Framework für KMU,” ResearchGate, Nov. 2023. [Online]. Available: https://www.researchgate.net/publication/376811588_Data_Sharing_Framework_fur_KMU

BENEDECH, Rodolfo Andres, Helen VOGT, Jürg MEIERHOFER, Petra KUGLER, Marc STRITTMATTER, Martin DOBLER, Johanna MEYER und Manuel TREITERER, 2023. Data Sharing Framework für KMU [online]. ResearchGate. Verfügbar unter: https://www.researchgate.net/publication/376811588_Data_Sharing_Framework_fur_KMU

Benedech, Rodolfo Andres, Helen Vogt, Jürg Meierhofer, Petra Kugler, Marc Strittmatter, Martin Dobler, Johanna Meyer, and Manuel Treiterer. 2023. “Data Sharing Framework für KMU.” ResearchGate. https://www.researchgate.net/publication/376811588_Data_Sharing_Framework_fur_KMU.

Benedech, Rodolfo Andres, et al. Data Sharing Framework für KMU. ResearchGate, Nov. 2023, https://www.researchgate.net/publication/376811588_Data_Sharing_Framework_fur_KMU.